AI 第一次自己『做』出數學新發現：OpenAI 新模型 Astra 花約 2000 美元解開 10 道數十年無解難題，還附上電腦可驗證的證明
OpenAI 新模型 Astra 一口氣解開 10 道數十年無人能解的數學難題，成本僅約 2000 美元，還附上機器可驗證的證明。AI 正從『工具』變成『研究者』。
2026 年 8 月 1 日，OpenAI 悄悄放上一份標題平淡的論文——《數學與理論電腦科學的十項進展》（Ten advances in mathematics and theoretical computer science）。標題不起眼，內容卻讓不少學者週末假期都沒得過：一個還沒正式發表、被 OpenAI 稱為「下一代主力模型」的內部版本 Astra，一口氣給出了 10 道長年無人能解的難題的解答，其中每一題都停滯了至少十年，多數更是懸而未決數十年之久。
更關鍵的是，這些不是「幫忙整理文獻」或「重現已知證明」，而是貨真價實的新結果——新的構造、新的反例、新的界限，是專業數學家過去做不出來的東西。而且 OpenAI 沒有只丟一句「我們做到了」，而是連同一份 249 頁的手稿，加上每一題都能用電腦逐行驗證的 Lean 證明檔，一起公開在 GitHub 上。
Photo by Roman Mager on Unsplash
從「幫你算」到「自己想出來」，門檻被跨過了
過去幾年，我們已經很習慣 AI 幫忙寫程式、整理報告、甚至輔助研究。今年七月也有一則轟動的新聞：一位在 Anthropic 工作的數學家，借助 Claude Fable 5 找到了困擾學界 87 年的 Jacobian 猜想的反例。但那件事的主角仍然是「人」——AI 是強力的副駕駛，最後拍板、串起思路的是研究者本人。
Astra 這次不太一樣。OpenAI 描述的流程，比較接近「把問題丟進去，模型自己產出可驗證的解」。這是一個微妙但重要的位移：AI 不再只是加速人類的研究，而是開始以一種難以忽視的方式，自己扮演研究者。當機器能獨立產出人類專家生不出來的原創結果，「什麼叫做研究、誰算是發現者」這件事，就被迫要重新定義。
它到底解了什麼？橫跨八個領域的硬骨頭
這十項成果並不是集中在單一角落，而是散落在八個相當硬的領域：高維幾何、編碼理論、算術電路複雜度、群論、算子代數、量子複雜度、格密碼學，以及極值組合。隨手挑幾個代表作：
最受矚目的，是史上第一個明確構造出來的「非索菲群」（non-sofic group）。這個概念由知名數學家 Gromov 在 1999 年提出後，「到底存不存在非索菲群」一直是群論的核心懸案，如今被具體造出一個實例。此外還包括推翻算子代數中的 Connes 剛性猜想、證明 Ehrhart 的體積猜想，以及一次解掉數學家 Erdős 留下的三道經典難題——其中包含關於多色 Ramsey 數的第 183 號問題。
Photo by Milad Fakurian on Unsplash
對非數學背景的讀者來說，這些名詞可能像天書。但可以這樣理解：它們都是那種「全世界最聰明的一群人，盯著看了幾十年還是解不開」的問題。而現在，其中十道被一個模型在短時間內攻下了。
最讓人坐立難安的，是那張帳單
如果只是「AI 解出難題」，或許還能安慰自己說：那一定燒了天文數字的運算資源。但 OpenAI 給出的估算是——用目前的 API 價格換算，Astra 找出這十個解，成本大約只要 2,000 美元，換算台幣約六萬多元。
六萬塊，買到十個數十年無解難題的答案。這個數字之所以嚇人，不在於便宜，而在於它把「原創研究」從一件昂貴、稀缺、需要頂尖人腦長年投入的事，變成了某種可以被計價、可以被大量採購的算力商品。當發現的邊際成本被壓到這麼低，整個知識生產的經濟結構，都可能跟著鬆動。
Photo by Chris Ried on Unsplash
值得肯定的是，OpenAI 這次選擇了一條相對負責任的路：所有結果都附上 Lean 形式化證明。這代表你不必「相信 OpenAI 說的」，而是可以讓電腦自動、機械式地逐步檢查每一步推理有沒有漏洞。在一個 AI 常被質疑「會自信地胡說八道」的年代，用機器可驗證的證明來背書，是很聰明也很必要的一步。
先別急著歡呼，也先別急著恐慌
幾點值得冷靜看待。第一，這是 OpenAI 自己發布的成果，用的還是「內部版本」，外界要完整複現、獨立審查，還需要時間；數學社群目前也還在逐一檢視這些證明的意義與正確性。第二，形式化證明能保證「邏輯沒錯」，卻不必然等於「數學上重要或優雅」——一個正確但瑣碎的結果，和一個開創性的洞見，價值天差地遠，這部分仍要靠人類同行來評斷。第三，能被形式化、能被清楚定義的數學問題，本來就比較適合這套方法；許多真正困難的研究，卡關的往往是「該問什麼問題」，而不只是「怎麼證」。
但即使把這些保留都算進去，Astra 這件事仍然是一個清楚的訊號：AI 參與知識前沿的方式，正在從「輔助」快速滑向「主導」。對一般人而言，這未必馬上改變生活，卻值得放進心裡當成一個座標——當機器開始能做出人類做不到的原創發現，我們對「智慧」「創造」「專業」這些詞的理解，恐怕都得慢慢重寫。
寫在最後
幾十年前，我們讓電腦幫我們「算得更快」；後來，我們讓它幫我們「寫得更順」；而現在，它開始幫我們——或者說，替我們——「想出以前沒人想得到的東西」。Astra 或許不是終點，甚至可能只是個開端。真正的問題已經不是「AI 能不能做研究」，而是「當它能了，我們這些人，要把自己重新擺在哪個位置」。這個問題，沒有 Lean 證明可以幫我們驗算，只能靠我們自己慢慢想清楚。